Parceiro: ENSMA

Autores: Ladjel Bellatreche, Carlos Ordonez, Dominique Méry, Matteo Golfarelli, El Hassan Abdelwahed

Link do documento aqui.

Na era da “Data Science and Advanced Analytics”, assistimos a uma corrida pelo desenvolvimento de sistemas inteligentes orientados a dados em vários domínios, como negócios, finanças, saúde, meio ambiente, segurança cibernética, etc. devido à explosão dos dados emitidos por vários fornecedores. Este desenvolvimento contribui na obtenção de valor acrescentado para as empresas e para os cidadãos. Dois ingredientes complementares são necessários para garantir sistemas valiosos: dados e modelos. A dimensão de dados está principalmente relacionada à Ciência de Dados que unifica aprendizado de máquina, estatística, mineração de dados, bancos de dados e sistemas distribuídos. A obtenção desse valor pode passar pelo aumento dos dados de entrada por recursos como Knowledge Graphs. O sucesso das técnicas acima depende fortemente da qualidade dos dados de entrada e da consideração de outras propriedades não funcionais relacionadas a aspectos legais, éticos e econômicos. Por outro lado, a modelagem desempenha um papel crucial na Ciência de Dados, pois abrange todas as etapas do fluxo de trabalho da Ciência de Dados. Em relação à proveniência dos dados e sua qualidade, os modelos contribuem para fornecer soluções independentes do fornecedor. No nível algorítmico, os modelos ajudam a explicar o funcionamento interno dos métodos/algoritmos usados ​​para projetistas de sistemas, usuários, reguladores e cidadãos para obter confiança e responsabilidade. Portanto, o sucesso do Data Science depende de nossa habilidade em usá-lo de maneira inteligente e, simultaneamente, explorar os dados e as capacidades de modelagem.